Jurnal Teknik Informatika dan Sistem Informasi ISSN 2407-4322

Vol. 7, No. 2, Agustus 2020, Hal. 126-134 E-ISSN 2503-2933 126

Analisa Penyebab Kerusakan Tanaman Cabai

Menggunakan Metode K-Means

Darmansah*1, Ni Wayan Wardani2

1
Institut Teknologi Telkom Purwokerto; Jl. DI. Panjaitan No.128 Purwokerto,
Telp 0281-641629
2
STMIK STIKOM Indonesia; Jl. Tukad Pakerisan No. 97 Panjer, Denpasar
e-mail: *1darmansah@ittelkom-pwt.ac.id, 2niwayan.wardani@stiki-indonesia.ac.id.

Abstrak
Tanaman cabai merupakan komoditas pertanian yang dibutuhkan dalam kehidupan
sehari hari, karena tanaman ini memiliki banyak kegunaan. Selain itu tanaman cabai
merupakan tanaman yang bernilai ekonomis yang tinggi. Beberapa permasalahan dalam
pengendalian penyakit dan hama antara lain adalah gejala awal yang tidak terlihat jelas
sehingga petani maupun masyarakat sulit untuk mengelompokan penyebab kerusakan yang
menyerang tanaman cabai sehingga mengakibatkan petani mengalami penurunan produksi
panen bahkan menyebabkan gagal panen. Metode yang dipakai dalam menyelesaikan masalah
ini yaitu Algoritma K-means. Algoritma K-Means clustering ini adalah sebuah metode yang
berusaha mengelompokan data yang ada ke dalam beberapa kelompok, dimana data yang ada
dalam satu kelompok mempunyai karakteristik yang sama satu sama lainnya dan mempunyai
karakteristik yang berbeda dengan data yang ada dalam kelompok lain. Data cabai yang diolah
dalam penelitian ini bersumber dari wilayah kerja Dinas Tanaman Pangan Hortikultura dan
Perkebunan Provinsi Sumatera Barat dengan jumlah data sebanyak 11 buah. Selanjutnya data
diolah menggunakan software rapidminer studio 7.6. Hasil dari pengujian terhadap metode ini
terdapat tiga pengelompokan penyebab kerusakan pada tanaman yaitu C0 untuk jenis cabai
yang kerusakan sedang, C1 kerusakan berat dan C2 untuk kerusakan ringan. Kemudian hasil
dari per cluster yaitu C0 terdapat satu jenis hama yaitu Lalat Buah, C1 terdapat 3 jenis hama
yang terdiri dari Virus kuning, Antraknose dan Thrips, sedangkan C2 terdapat 7 jenis hama
yang terdiri dari Kutu Daun, Tungau, Layu Fusarium, Layu Bakeri, Virus Keriting, Mati Pucuk,
Puru Buah. Analisa ini diharapkan memudahkan petani mengetahui penyebab kerusakan
tanaman cabai atau dinas terkait bisa mengambil tindakan mengantisipasi penyebab penyebab
kerusakan pada tanaman cabai secepat mungkin.

Kata kunci: Data Mining, Clustering, K-Means, Cabai.

Abstract
Pepper plants are agricultural commodities in need in everyday life today, because the
plant has many uses. In addition, the chili plant is a plant that was a high economical value.
Some of the problems in controlling diseases and pests, among others, are early symptoms that
are not clearly visible so that farmers and communities find it difficult to detect the causes of
damage that attacks the chilli plants, causing farmers to experience a decrease in crop
production and even cause crop failure. The method used in solving this problem is the K-
means Algorithm. This K-Means clustering algorithm is a method that attempts to classify
existing data into several groups, where data in one group has the same characteristics with
each other and has different characteristics from the data in other groups. Chilli data processed
in this study was sourced from the working area of the Horticulture and Plantation Food Crops
Office of West Sumatra Province with a total of 11 pieces of data. Furthermore, the data is
processed using rapidminer studio 7.6 software. The results of the testing of this method there
Received
http://jurnal.mdp.ac.id jatisi@mdp.ac.id, 2012; Accepted Ju
127 Jatisi ISSN 2407-4322
Vol. 7, No. 2, Agustus 2020, Hal. 126-134 E-ISSN 2503-2933

are three grouping causes of damage to plants, namely C0 for chili species with moderate
damage, C1 for heavy damage and C2 for mild damage. Then the results of each cluster,
namely C0 there is one type of pest, namely Fruit Fly, C1 there are 3 types of pests which
consist of Yellow Virus, Anthracnose and Thrips, while C2 there are 7 types of pests consisting
of aphids, mites, Fusarium wilt, Layu Bakeri, Curly Virus, Mati Pucuk, Puru fruit. This analysis
is expected to make it easier for farmers to know the causes of damage to chili plants or related
agencies can take action to anticipate the causes of damage to chili plants as quickly as

Keywords: Data Mining, Clustering, K-Means, Chili.

1. PENDAHULUAN

anaman cabai adalah tanaman yang memiliki nilai ekonomis yang tinggi, selain itu tanaman
T cabai juga memiliki gizi yang baik untuk antoksidan. Dari penelitian sebelumnya ia
mengatakan Tanaman cabai ialah salah satu jenis pertanian yang dibutuhkan dalam kehidupan
sehari-hari, karena jenis tanaman ini memiliki banyak manfaat selain itu cabai merah
merupakan tanaman hortikultura yang banyak digunakan untuk kebutuhan pangan [1]. Selain
digunakan untuk salah satu bumbu masakan tanaman cabai ini juga memiliki kandungan
kapsaikin, vitamin A, vitamin C, dan antioksidan. Antioksi bermanfaat untuk menambah daya
tahan tubuh, melancarkan peredaran darah, menurunkan kadar kolestrol dan membantu proses
pencernaan. Selain itu tanaman cabai merupakan tanaman yang bernilai ekonomi yang tinggi
dan dapat menyebabkan inflasi Negara [2]. Terdapat beberapa masalah dalam membudidayakan
cabai di lingkungan petani cabai yaitu sulitnya mendekteksi atau mengetahui gejala atau
penyebab kerusakan pada tanaman cabai tersebut sehingga cabai bisa rusak seperti busuk,
terserang hama dan bahkan gagal panen. Penelitian sebelumnya mengatakan beberapa kendala
utama dalam pembudidayaan tanaman cabai adalah serangan hama atau penyakit. Penyakit atau
hama sangat merugikan bagi petani sehingga membuat hasil panen menurun dan sampai gagal
panen. permasalahan dalam pengendalian penyakit atau hama antara lain adalah gejala awal
yang tidak terlihat jelas sehingga petani maupun masyarakat mengalamai kesulitan untuk
megelompokan penyebab kerusakan tanaman cabai dari jenis hama atau penyakit yang
menyerang tanaman dan identifikasi hama ataupun penyakit yang merusak tanaman, apabila
penanganan lambat maka kerusakan tanaman akan semakin berat sehingga akan berakibat fatal
bagi tanaman itu sendiri [2]. Banyak metode pendekatan yang dapat digunakan dalam
menganalisa penyebab kerusakan pada tanaman cabai. Dari penelitian sebelumnya Metode yang
bisa digunakan dari permasalahan di atas yaitu metode K-Means. Algoritma k-means adalah
algoritma yang mempartisi data ke dalam cluster –cluster sehingga data yang memiliki
kesamaan berada pada satu kelas atau kelompok yang sama dan data yang memiliki ketidak
samaan berada pada kelas yang lain. Jadi dapat disimpulkan bahwa metode ini adalah
pengelompokan data yang sama ke dalam satu cluster atau kelompok. Hal ini dianggap mampu
untuk menganalisa suatu penyebab kerusakan tanaman dan diharapkan akan menghasilkan suatu
pembelajaran yang mampu memberikan hasil yang optimal, sehingga dapat menentukan cara
cara yang akan di antisipasi oleh masyarakat atau pihak terkait [3]. Untuk itu penulis ingin
mencari solusi dari permasalahan ini yang dalam penelitian akan menggunakan sebuah metode
yang bisa membantu Dinas Tanaman Pangan Hortikultura dan Perkebunan Provinsi Sumatera
Barat dalam mengelompokan jenis jenis kerusakan tanaman cabai berdasarkan penyebab
kerusakannya. Metode yang digunakan yaitu algoritma K-Means clustering yang berguna untuk
mengelompokan tingkat kerusakan tanaman cabai yang terdiri dari kerusakan ringan, sedang
dan berat. Kemudian seterusnya menguji dengan software Rapidminer.

Darmansah, et. al (Analisa Penyebab Kerusakan Tanaman Cabai Menggunakan Metode K-Means)
Title of manuscript is short and clear, implies research results (First Author)
 Jatisi ISSN 2407-4322
Vol. 7, No. 2, Agustus 2020, Hal. 126-134 E-ISSN 2503-2933 128

2. LANDASAN TEORI

2.1 Knowledge Discovery in Database (KDD)

Knowledge Discovery in Database (KDD) merupakan sebuah proses untuk menemukan
pengetahuan yang berguna dalam sebuah basis data. Seluruh proses dari KDD biasanya terdiri
dari beberapa tahapan -tahapan, yaitu yang pertama memahami bidang aplikasi, kedua membuat
data target yang ditetapkan dari data mentah yang tersimpan dalam database, dan yang ketiga
pembersihan data dan preprocessing data. Istilah knowledge discovery in data base atau
mencari pengetahuan dalam sebuah basis dataatau bisa di singkat dengan istilah KDD, mengacu
pada proses pencarian pengetahuan dalam data yang luas dan menekankan pada penerapan
metode tingkat tinggi atau metode penambangan data tertentu. Ini menarik minat para peneliti
dalam melakukan pengembang penelitian baik dalam bidang machine learning atau
pembelajaran mesin [4].

2.2 Data Mining

Pendekatan Data Mining menjadi sangat penting dalam mengambil sebuah keputusan
berdasarkan analisis dari data klinis yang besar. Data Mining berperan dalam proses
penemuaninformasi yang tersimpandari dataset yang besar dan teknik-teknik seperti klasifikasi,
pengelompokan, regresi dan asosiasi [4], pendapat lain mengatakan Data Mining merupakan
gabungan dari beberapa bidang ilmu, antaranya yaitu basis data, information retrieval, statistik,
machine learning dan sebagainya. Data Mining dapat diterapkan dibeberapa bidang, seperti
bidang bisnis, kesehatan, asuransi, pemasaran dan perbankan. Data Mining merupakan bagian
dari proses mencari pengetahuan dalam basis data (KDD) untuk menemukan informasi dan pola
yang berguna dalam data [8], Data Mining merupakan kegiatan yang meliputi pengumpulan,
pemakaian data historis untuk menemukan keteraturan, pola atau hubungan dalam data
berukuran besar. Keluaran data mining ini bisa dipakai untuk membantu pengambilan sebuah
keputusan di masa yang akan dating [6], Pendapat lain juga mengatakan bahwa Data merupakan
sebuah metode pengolahan data berjumlah besar oleh karena itu Data Mining ini memiliki
peranan penting dalam bidang industri, keuangan, cuaca, ilmu dan teknologi. Secara umum Data
Mining membahas metode-metode seperti, pengelompokan, klasifikasi, regresi, seleksi variabel,
dan market basket analisis [7].

2.3 Clustering
Pada dasarnya clustering merupakan suatu cara untuk mencari dan mengelompokkan
data yang memiliki kesamaan karakter (similarity) antara satu data dengan data yang lain.
Clustering merupakan salah satu metode Data Mining yang bersifat tanpa arahan
(unsupervised), maksudnya metode ini diterapkan tanpa adanya latihan (training) dan tanpa ada
guru (teacher) serta tidak memerlukan target keluaran [7], Klasterisasi (clustering) merupakan
proses mengelompokkan objek berdasarkan informasi yang diperoleh dari data yang
menjelaskan hubungan antar objek dengan prinsip untuk memaksimalkan kesamaan antar
anggota satu kelas dan meminimumkan kesamaan antar kelas/cluster [8].
Dari penjelasan tersebut dapat penulis simpulkan bahwa clustering adalah proses
pengelompokan objek berdasarkan informasi yang didapat dari data yang menjelaskan
hubungan antar objek dengan prinsip untuk memaksimalkan kesamaan antar anggota satu kelas
dan meminimumkan kesamaan antar kelas/cluster.

2.4 Algoritma K-Menas

Algoritma K-Means termasuk kedalam metode nonhierarchical yang mempartisi data
kedalam bentuk satu atau lebih cluster kelompok, sehingga data yang mempunyai karakter yang
sama dikelompokan dalam satu kelompok dan begitu sebaliknya [9]. Menurut pendapat lain
IJCC
Darmansah, et. al (Analisa Penyebab Kerusakan Tanaman Cabai Menggunakan Metode K-Means)page–
end_page
129 Jatisi ISSN 2407-4322
Vol. 7, No. 2, Agustus 2020, Hal. 126-134 E-ISSN 2503-2933

mengatakan K-means adalah salah satu algoritma clustering yang menggunakan metode
partisi.K-means adalah algoritma clustering yang membagi masing-masing item data ke dalam
satu kelas yang sama [10]. K-Means clustering merupakan salah satu metode data clustering
non-hirarki yang mengelompokan data dalam bentuk satu atau lebih cluster/kelompok. Data-
data yang memiliki karakteristik yang sama dikelompokan dalam satu kelompok dan data yang
memiliki karakteristik yang berbeda dikelompokan dengan kelompok yang lain sehingga data
yang berada dalam satu cluster/kelompok memiliki tingkat variasi yang kecil [7].
Dari beberapa penjelasan diatas dapat penulis simpulkan bahwa algoritma K-Means
adalah sebuah metode yang berusaha mengelompokan data yang ada ke dalam beberapa
kelompok, dimana data yang ada dalam satu kelompok mempunyai karakter yang sama satu
sama lainnya dan mempunyai karakter yang berbeda dengan data yang ada dalam kelompok
lain.

3. METODE PENELITIAN

Metodologi penelitian merupakan suatu teknik untuk mencari atau mengumpulkan data
primer atau sekunder yang akan digunakan untuk keperluan penelitian sebuah karya ilmiah,
yang berhubungan dengan pokok permasalahan sehingga akan didapatkan suatu kebenaran data.
Metodologi penelitian yang digunakan dalam penelitian ini yaitu analisis deskriptif kuantitatif di
mana akan menggambarkan fakta dan informasi yang ada sehingga memberikan gambaran yang
jelas mengenai penelitian yang dilakukan dengan menekankan pada data kuantitatif sebagai
tolak ukur kajian.

3.1 Merumuskan Masalah

Pada tahap ini dilakukan penetapan perumusan masalah yang akan menjadi objek
penelitian. Dengan menetapkan permasalahan yang ditemukan pada obyek yang diteliti guna
mencari alternatif solusi yang terkait dengan permasalahan. Perumusan masalah dilakukan
untuk memperoleh gambaran yang lengkap tentang lingkup masalah dan langkah yang tepat
dalam pemecahannya serta membuat penelitian ini menjadi lebih terarah dan tidak
mengambang.

3.2 Studi Literatur

Tahapan ini merupakan pengumpulan dan mempelajari literatur yang berkaitan dengan
tujuan serta mendapatkan referensi pendukung yang memadai baik berupa jurnal penelitian
maupun buku-buku mengenai algoritma K-Means dan software Rapidminer serta literatur yang
membahas tentang data cabai untuk memperkuat pengetahuan dasar dan teori pendukung.
Literatur dikumpulkan untuk memperkuat metode yang digunakan, dalam hal ini mengenai
algoritma K-Means dan software RapidMiner.

3.3 Menganalisa Data dengan Algoritma K-Means

Pada tahap ini dilakukan analisa terhadap data cabai yang telah dikumpulkan
berdasarkan rumus perhitungan yang ada. Data cabai yang telah diseleksi sebelumnya
dimasukkan ke dalam rumus K-Means. Setelah dilakukan perhitungan maka akan didapat hasil
dari data cabai tersebut.

3.4 Menganalisa Data Menggunakan Aplikasi RapidMiner

Tahapan selanjutnya adalah menggunakan RapidMiner untuk mengimplementasikan
sistem yang telah dirancang, yaitu dengan menggunakan data cabai dari tahap sebelumnya.

Darmansah, et. al (Analisa Penyebab Kerusakan Tanaman Cabai Menggunakan Metode K-Means)
Title of manuscript is short and clear, implies research results (First Author)
 Jatisi ISSN 2407-4322
Vol. 7, No. 2, Agustus 2020, Hal. 126-134 E-ISSN 2503-2933 130

Dengan menggunakan RapidMiner penulis dapat menganalisa data cabai dengan menggunakan
metode K-Means.

3.5 Menguji Hasil

Proses ini merupakan proses analisa untuk menguji apakah hasil pengolahan dan
penghitungan yang dilakukan secara manual itu benar, maka selanjutnya dilakukan
implementasi dengan menggunakan perangkat lunak dalam sistem aplikasi sehingga dapat
dilihat perbandingan dan kesesuaian dari hasil keputusan akhir yang didapatkan dari sesi manual
dengan menggunakan aplikasi RapidMiner.

3.6 Menarik Kesimpulan

Pada tahapan ini penulis dapat menarik kesimpulan dari penelitian ini, dimana
kesimpulan ini dapat menjadi acuan bagi pihak yang ingin menggunakan hasil penelitian ini.
Pada tahap ini juga dapat saran yang diberikan terkait dengan penelitian yang dilakukan ini.

4. HASIL DAN PEMBAHASAN

Berikut adalah hasil dan pembahasan pada penelitian penyebab kerusakan cabai
menggunakan algoritma K-Means.

4.1 Tranformasi Data

Data trandormasi adalah data yang telah dipilih dari data set awal, karena tidak semua
data yang di pakai dalam penelitian ini. Adapun data yang dipakai dapat dilihat pada tabel.1 di
bawah ini:
Tabel 1. Tranformasi Data
Luas keadaan serangan
Hama (Ha)
Ringan Sedang Berat
Virus Kuning 8.95 1.85 0.50
Lalat Buah 16.65 1.5 0
Antraknose 11.32 0.45 0
Thrips 8.64 1.2 0
Kutu Daun 3.05 0 0
Tungau 1.45 0 0
Layu Fusarium 1.65 0 0
Layu Bakeri 0.6 0 0
Virus Keriting 0 0 0.25
Mati Pucuk 0.25 0 0
Puru Buah 1.3 0 0

4.2 Centroit Awal

Merupakan nilai centroid awal yang ditentukan dalam pengolahan data penyebab
kerusakan tanaman cabai.

IJCC
Darmansah, et. al (Analisa Penyebab Kerusakan Tanaman Cabai Menggunakan Metode K-Means)page–
end_page
131 Jatisi ISSN 2407-4322
Vol. 7, No. 2, Agustus 2020, Hal. 126-134 E-ISSN 2503-2933

Tabel 2. Centroid Awal

Luas keadaan serangan
Penyebab (Ha)
Ringan Sedang Berat
Lalat
Buah 16.65 1.5 0
Virus
Kuning 8.95 1.85 0.50
Layu
Fusarium 1.65 0 0

4.3 Menentukan Jarak Euclidean

Gambar 1. Rumus Menentukan Jarak Euclidean

D = Titik Dokumen
X = Data Record
Y= Data Centroid

√
7.7241

begitu seterusnya sehingga di dapat hasil jarak euclidean seperti tabel 3 yang berikut ini:

Tabel 3. Nilai Jarak Euxclidean

C0 C1 C2
7.7241 0 7.5473
0 7.7241 15.0748
5.4324 2.7976 9.6804
8.0156 0.8766 7.0922
13.6824 6.2034 1.4
15.2738 7.7409 0.2
15.0748 7.5473 0
16.1199 8.5670 1.05
16.7193 9.1426 1.6688
16.4684 8.9085 1.4
15.4231 7.8863 0.35

4.4 Menentukan Letak Cluster

Langkah berikutnya yang dilakukan yaitu menentukan letak cluster atau menentukan
letak kelompok kelompok datanya dengan cara membandingkan antara dua buah kelas, yaitu
C0, C1, dan c2 disini nilai minimum merupakan nilai yang menjadi nilai pilihan. Jika ditemukan
Darmansah, et. al (Analisa Penyebab Kerusakan Tanaman Cabai Menggunakan Metode K-Means)
Title of manuscript is short and clear, implies research results (First Author)
 Jatisi ISSN 2407-4322
Vol. 7, No. 2, Agustus 2020, Hal. 126-134 E-ISSN 2503-2933 132

nilai yang paling kecil (minimum) maka dapat dimasukkan kedalam salah satu cluster tersebut.
Untuk lebih jelas penulis telah memasukan data tersebut pada tabel.4;

Tabel 4. Penentuan Letak Cluster

C0 C1 C2 C0 C1 C2
7.7241 0 7.5473 C1
0 7.7241 15.0748 C0
5.4324 2.7976 9.6804 C1
8.0156 0.8766 7.0922 C1
13.6824 6.2034 1.4 C2
15.2738 7.7409 0.2 C2
15.0748 7.5473 0 C2
16.1199 8.5670 1.05 C2
16.7193 9.1426 1.6688 C2
16.4684 8.9085 1.4 C2
15.4231 7.8863 0.35 C2
1 3 7

4.5 Hasil Perhitungan

Berdasarkan perhitungan yang telah dilakukan dari jumlah data sebanyak 11 buah, dari
tahapan pertama sampai akhir setelah tidak ada hasil yang berbeda dari iterasi kelompok
pertama dengan iterasi ke dua dengen perhitungan algoritma k-means maka dapat di peroleh
hasil nya sebagai berikut:
1. Cluster 0 = 1 anggota
2. Cluster 1 = 3 anggota
3. Cluster 2 = 7 anggota

4.6 Hasil Perhitungan Rapidminer

Setelah proses manual tersebut selesai di lakukan maka langkah selanjut nya melakukan
proses clusterig K-Means dengan apliaksi rapidminer studio 7.6. dengan jumlah sebanyak 11
buah. Adapun hasil nya dapat di lihat pada gambar 2.

Gambar 2. Hasil Pengolahan dengan Rapidminer Studio 7.6

Hasil pengolahan dengan aplikasi ini dengan data yang sama maka hasilnya sama
dengan pengolahan yang di lakukan secara manual. Sementara perhitungan yang di lakukan
IJCC
Darmansah, et. al (Analisa Penyebab Kerusakan Tanaman Cabai Menggunakan Metode K-Means)page–
end_page
133 Jatisi ISSN 2407-4322
Vol. 7, No. 2, Agustus 2020, Hal. 126-134 E-ISSN 2503-2933

dengan jumlah data yang berbeda yaitu sebanyak 77 buah maka hasilnya yaitu Cluster C0 untuk
kerusakan cabai berat terdapat 25 data yang terdiri dari 3 jenis penyebab kerusakan tanaman
cabai, Cluster C1 untuk kerusakan cabai ringan terdapat 3 data yang terdiri dari 1 jenis
penyebab kerusakan tanaman cabai, Cluster C2 untuk kerusakan cabai sedang terdapat 49 data
yang terdiri dari 7 jenis penyebab kerusakan tanaman cabai.

4. KESIMPULAN

Berdasarkan hasil penelitian yang penulis lakukan dengan menggunakan metode K-Means
penulis mendapat hasil dari jumlah data uji yang di olah sebanyak 11 data, maka didapat hasil
setiap cluster yang ada C0 untuk mengambarkan atau menentukan kerusakan cabai yang
berjenis sedang, C1 untuk menentukan kerusakan cabai yang berjenis berat, C2 untuk
menentukan kerusakan cabai yang bejenis ringan. Untuk C0 terdapat 1 jenis penyebab
kerusakan tanaman cabai yaitu Lalat Buah. Kemudian C1 terdapat 3 jenis penyebab kerusakan
tanaman cabai yang terdiri dari Virus kuning, Antraknose dan Thrips, sedangkan untuk C2
terdapat 7 jenis penyebab perusakan tanaman cabai yang terdiri dari Kutu Daun, Tungau, Layu
Fusarium, Layu Bakeri, Virus Keriting, Mati Pucuk, Puru Buah.
Setelah melakukan pengujian dengan aplikasi rapidminer studio 7.6. dengan jumlah data
sebanyak 77 maka di dapat hasil untuk C0 menentukan kerusakan cabai berjenis berat yang
terdiri dari 25 data, C1 untuk menentukan kerusakan cabai berjenis ringan sebanyak 3 data,
sedangkan C2 untuk menentukan kerusakan cabai yang berjenis sedang terdapat 49 data.

5. SARAN

Adapun saran yang bisa penulis berikan pada penelitian berikut nya antara lain yaitu:
1. Penulis sangat menyarankan agar dilakukan penelitian atau pengembangan lebih lanjut
terhadap penelitian penyebab kerusakan tanaman cabai dan membandingkan hasil
metode ini dengan metode metode lainnya seperti metode Fuzzy C-Means, Self-
Organizing Map, K-Modes dan lain-lain.
2. Bagi pihak terkait baik itu petani maupun Dinas terkait dalam hal ini Dinas Tanaman
Pangan Hortikultura dan Perkebunan Provinsi Sumatera Barat, agar aplikasi ini atau
metode ini dapat diterapkan supaya pengelompokan data penyebab kerusakan tanaman
cabai lebih cepat dan akurat, sehingga memudahakan untuk tindakan yang akan di
lakukan.
3. Hasil dari proses data mining ini dapat digunakan sebagai pertimbangan dalam
mengambil keputusan lebih lanjut tentang kebijakan yang di lakukan dinas pertanian
dalam hal mengantisipasi persebaran penyebab kerusakan tanaman cabai, sehingga
kualitas cabai semakin lebih baik.

UCAPAN TERIMA KASIH

Penulis ucapkan kepada semua pihak yang telah membantu demi terlaksananya
penelitian ini yang tidak bisa penulis sebutkan namanya satu persatu.

Darmansah, et. al (Analisa Penyebab Kerusakan Tanaman Cabai Menggunakan Metode K-Means)
Title of manuscript is short and clear, implies research results (First Author)
 Jatisi ISSN 2407-4322
Vol. 7, No. 2, Agustus 2020, Hal. 126-134 E-ISSN 2503-2933 134

DAFTAR PUSTAKA

[1] M. Agen, H. Trichodermaharzianum, and D. A. N. Actinomycetes, “Supriati, L., dkk

Pengendalian Penyakit Antraknosa pada ….,” pp. 20–26, 2016.

[2] Y. A. Fitrianingtyas, C. Rahmad, T. Informatika, T. Informasi, and P. N. Malang,

“Sistem Pakar Deteksi Hama dan Penyakit pada Tanaman Cabai dengan Metode Naïve
Bayes,” Vol. 2015, pp. 68–72, 2015.

[3] N. Rohmawati W, Sofi. D, M. Jajuli "Implementasi Algoritma k- Pengklasteran

Mahasiswa Pelamar Beasiswa" Jurnal Ilmiah Teknologi Informasi Terapan Volume I,
No 2, 30 April 2015.

[4] A. Yudha F, Sarjon Defit, “P. Algoritma, K. Data, R. Medis, and C. Diseases”, Jurnal
Resti, Vol. 1, No. 2, pp. 82–89, 2017.

[5] C. Sari et al., “Clustering dan Visualisasi Data Magang Mahasiswa I-65 I-71 I-66 I-
72,” Vol. 9, pp. 71–76, 2017.

[6] L. Hakim and A. Fauzy, “Penentuan Pola Hubungan Kecelakaan Lalu Lintas
Menggunakan Metode Association Rules dengan Algoritma Apriori,” pp. 73–81, 2015.

[7] J. O. Ong, “Implementasi Algotritma K-means Clustering untuk Menentukan Strategi

Marketing President University,” J. Ilm. Tek. Ind., Vol. 12, No, Juni, pp. 10–20, 2013.

[8] A. Fauzan, A. Y. Badharudin, F. Wibowo, J. Raya, and D. Purwokerto, “Sistem

Klasterisasi Menggunakan Metode K-Means Dalam Menentukan Posisi Access Point
Berdasarkan Posisi Pengguna Hotspot di Universitas Muhammadiyah Purwokerto
Clustering System Using K-Means Method in Determining Access Point Position at
Muhammadiyah Un,” Vol. III, pp. 25–29, 2014.

[9] A. T. W. ; Rini A. Rahman, “Coal Trade Data Clusterung Using K-Means (Case Study
PT . Global Bangkit Utama),” Vol. 6, No. 1, pp. 24–31, 2017.

[10] T. Khotimah, “Pengelompokan Surat Dalam Al Qur’an Menggunakan Algoritma K-

Means,” Simetris, Vol. 5, No. 1, pp. 83–88, 2014.

IJCC
Darmansah, et. al (Analisa Penyebab Kerusakan Tanaman Cabai Menggunakan Metode K-Means)page–
end_page